[发明专利]一种基于时空上下文的行人重识别与追踪方法

说明书

本发明涉及一种基于时空上下文的行人重识别与追踪方法，包括：训练Mask RCNN网络；利用训练后的Mask RCNN网络处理原始图片集，得到训练集、测试集和查找集；利用训练集训练卷积神经网络；利用训练后的卷积神经网络对测试集和查找集进行处理，以从测试集中获取第一预设数量的图片，以对目标行人进行重识别。本发明使用目标检测算法和实例分割算法对图片进行预处理，去除背景干扰信息，能够进一步提高模型精度，提升行人重识别方法的准确率。同时，本发明解决了目前行人重识别算法缺乏追踪功能的问题，提出了基于步行速度的区域预测算法，结合Mask RCNN降低了追踪计算复杂度，达到实时追踪，提高了追踪效率。

技术领域

本发明图像处理技术领域，具体涉及一种基于时空上下文的行人重识别与追踪方法。

背景技术

行人重识别(Person re-identification)也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。行人重识别算法在公共安全领域起着十分重要的作用，应用于在监控视频中快速检索并追踪目标，从而弥补在人脸信息缺失的情况下对身份辨认不足的缺陷。行人重识别的任务是跨摄像头检索，即在某一摄像头中出现的目标需要从其他的摄像头被检索到。

目前行人重识别算法主要可以分为两类：一类是基于图像的行人重识别算法，另一类是基于视频的行人重识别算法。目前基于图像的行人重识别算法通过引入poseestimation(姿态估计)，将人体分割为多个部分，并将其分别放入卷积神经网络中进行学习，再利用卷积神经网络对行人进行重识别；基于视频的行人重识别算法一般先使用卷积神经网络提取行人特征，之后再将行人特征放入卷积神经网络中学习视频序列的行人特征。

但是，在基于图像的行人重识别算法的研究中常用的DukeMTMC-reID数据库中只有约3万张图片(其中共有1400多个行人)，导致没有足够的数据用来训练基于图像的行人重识别算法的卷积神经网络，从而影响其重识别准确率；对于基于视频的行人重识别算法需先后放入卷积神经网络和循环神经网络中进行训练，导致这类算法的复杂度高，且所需训练时间较长。

并且，在某些现有的追踪方法中，大多使用长短时记忆网络(循环神经网络的一种)来预测行人的位置，且该追踪方法使用的是传统的手工特征提取方式提取行人信息，准确率较低，训练耗费时间长，导致追踪效率低。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于时空上下文的行人重识别与追踪方法。

本发明的一个实施例提供了一种基于时空上下文的行人重识别与追踪方法，包括：

训练Mask RCNN网络；

利用训练后的Mask RCNN网络处理原始图片集，得到训练集、测试集和查找集；

利用所述训练集训练卷积神经网络；

利用训练后的卷积神经网络对所述测试集和所述查找集进行处理，从所述测试集中获取第一预设数量的图片，以对目标行人进行重识别，之后对所述目标行人进行追踪。

在本发明的一个实施例中，对所述目标行人进行追踪，包括：

根据所述第一预设数量的图片得到N个第二图片序列；

根据训练后的Mask RCNN网络处理所述N个第二图片序列，以对所述目标行人进行跟踪。

在本发明的一个实施例中，根据所述第一预设数量的图片得到N个第二图片序列，包括：

根据图片属性和时间顺序，将所述第一预设数量的图片划分为N个第一图片序列；

对所述第一图片序列进行补全处理，以得到第二图片序列，其中，所述第二图片序列的数量为N个。